The Comparative Trap: Pairwise Comparisons Amplifies Biased Preferences of LLM Evaluators

要約

大規模言語モデル (LLM) が自然言語生成タスクの評価器として使用されることが増えているため、公平な評価を確保することが不可欠です。
ただし、LLM 評価者は、冗長性や権威ある口調を好むなど、偏った好みを示すことがよくあります。
私たちの経験的分析により、これらのバイアスは、LLM が 2 つの出力を直接比較し、表面的な属性を簡単に優先するペアワイズ評価で悪化することが明らかになりました。
対照的に、出力を独立して評価する点別評価では、各出力が個別に判断されるため、そのようなバイアスの影響を受けにくくなります。
ペアごとの評価の制限に対処するために、ペアごとのフレームワーク内で点ごとの推論を統合する新しい評価方法である PRePair を導入します。
PRePair は偏った選好を効果的に軽減し、敵対的ベンチマーク (LLMBar) でのパフォーマンスを向上させると同時に、標準ベンチマーク (MT-Bench) での点ごとの評価を上回ります。

要約(オリジナル)

As large language models (LLMs) are increasingly used as evaluators for natural language generation tasks, ensuring unbiased assessments is essential. However, LLM evaluators often display biased preferences, such as favoring verbosity and authoritative tones. Our empirical analysis reveals that these biases are exacerbated in pairwise evaluation, where LLMs directly compare two outputs and easily prioritize superficial attributes. In contrast, pointwise evaluation, which assesses outputs independently, is less susceptible to such bias because each output is judged in isolation. To address the limitations of the pairwise evaluation, we introduce a novel evaluation method, PRePair, which integrates pointwise reasoning within a pairwise framework. PRePair effectively alleviates biased preference, improving performance on the adversarial benchmark (LLMBar) while outperforming pointwise evaluation on the standard benchmark (MT-Bench).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google